KABLOSUZ ALGILAYICI AĞLARDA YENİ BİR HİBRİT SALDIRI TESPİT SİSTEMİNİN GELİŞTİRİLMESİ

Abstract

Kablosuz algılayıcı ağlar (KAA); fiziksel ortamlardaki sıcaklık, basınç, titreşim, hız gibi değişkenleri algılamak ve sonuçlar üretmek için günümüzde birçok alanda kullanılmaktadır. Söz konusu ağlar, kritik ve hayati öneme sahip askeri, istihbari, sağlık ve doğal afetler gibi veri güvenliğin sağlanmasının önem arz ettiği alanlarda da kullanılmaktadır. Bununla birlikte KAA'lar, geleneksel ağlardan farklı alt yapı özelliklerine ve donanım kısıtlarına sahip olduğundan dolayı, bu ağlara yönelik etkili güvenlik önlemlerinin alınması elzemdir. Gelişen teknoloji ve değişen şartlar ile birlikte KAA'lara yönelik güvenlik önlemleri geliştirilmiştir. Saldırı tespit sistemleri, KAA güvenliğini sağlamak için geliştirilen etkili güvenlik çözümlerinden biri olmakla birlikte, günümüz şartlarında, STS'ler için önerilen algılama metotlarının, güvenliği sağlamak için tek başlarına yeterli olmayışı ve mevcut çalışmaların büyük bir kısmında güncelliğini yitirmiş veri kümelerinin kullanılması, KAA güvenliği için etkili ve güncel bir STS modeli ortaya konmasını gerekli kılmıştır. Bu tezde, STS'ler için önerilen algılama metotlarının hibrit olarak kullanıldığı bir model geliştirilmiş; modelde, KAA'ların kaynak kısıtlarına binaen, veri madenciliğine dayalı ön işleme adımları uygulanmıştır. Önerilen yaklaşımda, normal ve saldırı trafiğinin ayırt edilebilmesi için makine öğrenme algoritmaları kullanılmış, ağın eğitimi için en güncel veri kümesi referans alınmıştır. Benzetim sonuçları, önerilen modelin KAA'lar için kullanılabilecek performans ve güvenilirlikte olduğunu göstermiştir.

Wireless sensor networks (WSNs) are used in many areas today to detect variables such as temperature, pressure, vibration, speed in physical environments and to produce results. These networks are also used in critical and vital areas such as military, intelligence, health and natural disasters, where data security is important. However, since WSNs have different infrastructure features and hardware constraints than traditional networks, it is essential to take effective security measures for these networks. With the developing technology and changing conditions, security measures have been developed for WSNs. One of the effective security mechanisms recommended for WSNs is intrusion detection system (IDS). However, in today's conditions, the detection methods recommended for IDSs are not sufficient on their own to ensure security and the use of outdated data sets in most of the existing studies has necessitated an effective and up-to-date IDS model for WSN security. In this thesis, a model has been developed in which the proposed detection methods for WSNs are used as hybrids. In the model, due to resource constraints of WSNs, preprocessing steps based on data mining were applied. In the proposed approach, machine learning algorithms are used to distinguish between normal and attack traffic, and the most up-to-date data set are taken as reference for training the network. The simulation results have shown that the proposed model has the performance and reliability that can be used for WSNs.